« ..поскольку выходные данные ChatGPT можно использовать для обучения будущих

итераций модели, эти ошибки могут быть переработаны и усилены.»

Именно благодаря этой подсказке я понял, что нужны примеры желаемого результата

генерации и с каждой последующей генерацией, обученный на примере ИИ ассистент, будет

выдавать переработанный улучшенный примером результат.

И только потом я обратился к инструкциям по промпт-инжинирингу (prompt ingineering)

созданным для наиболее опробованного ИИ ассистента ChatGPT. Далее я решил продолжить

знакомство с официальными руководствами от OpenAI по взаимодействию с их детищем, это

были «Краткое руководство»[9], «Рекомендации по промпт-инжинирингу с помощью Openal

API»[10], и страница примеров[11].

контекста, результата, длины, формата, стиля и т.д.

4. Сформулируйте желаемый формат вывода на примерах (пример 1, пример 2).

5. Начните с нулевого снимка, затем с нескольких примеров, если ни один из них не сработал,

начните заново изменив примеры.

6. Сократить "пространные" и неточные описания.

7. Вместо того чтобы просто говорить, чего не следует делать, скажите, что следует делать.

8. Специфика генерации кода - используйте "ключевые слова", чтобы подтолкнуть модель к

определенному шаблону.

Несмотря на то, что эти описания предназначены для разработчиков в них много

полезной информации, отраженной в пунктах с 3 по 7 и от части можно использовать

различные шаги и варианты, прежде чем выдать окончательный ответ.

Использование ToT при запросе помогает языковым моделям делать правильный выбор,

позволяя им сравнивать различные варианты и видеть, как они работают. Они также могут